Vektorová a rastrová geodata v R, jejich interakce a vykreslování
Autor
Ondřej Ledvinka
Publikováno
9. prosince 2025
Upraveno
15. prosince 2025
Prerekvizity
V následujícím se předpokládá, že již máme založený R projekt ze začátku kurzu. To znamená, že máme možnost využívat relativní cesty k souborům a jiné výhody práce s R projektem. Dále se předpokládá, že máme kvalitní připojení k internetu, jelikož se může stát, že budeme instalovat chybějící balíčky. Internetové připojení je nutností při získávání geodat z internetu, což si také v některých případech předvedeme.
Pokud možno, budeme také pracovat s nejnovějšími verzemi R (v současnosti R version 4.5.2 (2025-10-31 ucrt) – [Not] Part in a Rumble z 2025-10-31) a RStudio (v současnosti RStudio 2025.09.2+418 “Cucumberleaf Sunflower” z 2025-10-20).
Vektorová geodata
Vektorová geodata v R lze ve stručně charakterizovat jako tabulky obohacené o sloupec, ve kterém máme navíc informaci o geometrii, ke které se ostatní atributy (v ostatních sloupcích – polích) váží. Nejvíce budeme pracovat s tzv. simple feature collection (sf), kterou lze ale rozdělit do několika prvků. Samozřejmostí je atributová tabulka nebo jen jedna řádka s atributy (či dokonce jedno pole s jedinou hodnotou), ale zvláštností zde je sloupec s geometrií, tzv. simple feature column (sfc). Tento sloupec se skládá z jedné nebo více simple feature geometry (sfg). Podle těchto tříd pak lze aplikovat funkce nejdůležitějšího R balíčku sf, které tyto třídy akceptují. Kromě toho se můžeme zabývat také vztahy mezi atributy a geometrií (attributes-geometry relationships, agr), ale do toho se pouštět nebudeme1.
Pokud jde o geometrii, rozlišujeme zde tzv. velkou sedmičku – (MULTI)POINTS, (MULTI)LINESTRING, (MULTI)POLYGON a GEOMETRYCOLLECTION. Velice zřídka se setkáme s dalšími, vzácnějšími, typy podporovaných geometrií, přičemž kompletní výčet uvádí kniha Pebesma, Bivand (2023). Tam se také dočteme, že se na typy geometrie lze doptávat2 nebo dokonce můžeme mezi nimi “přepínat”, pokud to logika věci dovoluje (viz funkci st_cast()). S geometrií lze pracovat i tak, že lze přičítat či násobit konstanty (nebo třeba i matice).
Celý tidyverse jsme se vlastně učili proto, že právě jeho přístupy jsou velmi dobře podporovány při práci s třídou sf, a to včetně pipe operátoru, takže nám zde přibývají funkce, které umí pracovat se speciálními typy tabulek s geometrií. Výhodou je, že sf třídu lze funkcí as_tibble() převádět na tabulky a naopak z tabulky můžeme objekt konvertovat na třídu sf pomocí funkcí st_sf() (pokud v podkladové tabulce již existuje sloupec s geometrií, ačkoliv jaksi schovaný) nebo funkcí st_as_sf() (pokud v tabulce neexistuje žádný sloupec s geometrií, ale přesto existuje ve sloupcích informace z níž si geometrii můžeme vytvořit). Funkce st_as_sf() je univerzálnější, podporuje i jiné třídy, než jsou ty tabulkové. Podobně existují funkce vytvářející třídy sfc či sfg.
Ukažme si tedy nějaké příklady ukazující tvorby třídy sfg a tvorbu třídy sf. Dále ukažme, jak lze sf převádět na tabulku a tu opět převádět na sf.
# nejprve musíme načíst potřebné balíčky# rovnou načteme i balíček pro práci s rastrovými geodaty a další balíček pro případnou kresbu situacexfun::pkg_attach2("tidyverse","RCzechia", # důležitý balíček pro vektory sf se načítá automaticky s tímto"terra", # balíček pro rastry"tmap") # pro kreslení map
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr 1.1.4 ✔ readr 2.1.6
✔ forcats 1.0.1 ✔ stringr 1.6.0
✔ ggplot2 4.0.1 ✔ tibble 3.3.0
✔ lubridate 1.9.4 ✔ tidyr 1.3.1
✔ purrr 1.2.0
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
Loading required package: sf
Linking to GEOS 3.13.1, GDAL 3.10.2, PROJ 9.5.1; sf_use_s2() is TRUE
terra 1.8.86
Attaching package: 'terra'
The following object is masked from 'package:tidyr':
extract
# vytvořme bod z vektoru# nejpre zadáváme souřadnici související se zeměpisnou délkou# pak teprve souřadnici související se zeměpisnou šířkoubod <-st_point(c(15, 50))# co teď máme za třídu?bod |>class()
[1] "XY" "POINT" "sfg"
# jak objekt vypadá po vytištění do konzole?bod
POINT (15 50)
# převeďme na třídu sfc, čímž se připravíme tvorbu sf, protože již budeme mít připravený sloupec s geometriíbod <- bod |>st_sfc(crs =4326) # zde již můžeme definovat souřadnicový referenční systém (crs)# číselný kód reprezentuje tzv. EPSG autoritu (zde tedy jde o crs, který známe z GPS, zvaný stručně WGS 84)# podíváme se, co tu máme teďbod |>class()
[1] "sfc_POINT" "sfc"
# tímto se v konzoli objevuje již jakási hlavičkabod
Geometry set for 1 feature
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 15 ymin: 50 xmax: 15 ymax: 50
Geodetic CRS: WGS 84
POINT (15 50)
# teď ještě převeďme na třídu sf# nakonec ještě raději přejmenujeme sloupec s geometrií na něco rozumějšíhobod <- bod |>st_sf() |>st_set_geometry("geometry") # tato funkce tady funguje podobně jako set_names(), ale umí toho vícbod |>class()
[1] "sf" "data.frame"
bod
Simple feature collection with 1 feature and 0 fields
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 15 ymin: 50 xmax: 15 ymax: 50
Geodetic CRS: WGS 84
geometry
1 POINT (15 50)
# protože tohle už je objekt třídy sf, lze přidávat atributy, a to např. funkcí mutate()bod <- bod |>mutate(nm ="Kouřim")bod
Simple feature collection with 1 feature and 1 field
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 15 ymin: 50 xmax: 15 ymax: 50
Geodetic CRS: WGS 84
geometry nm
1 POINT (15 50) Kouřim
# změňme vykreslovací mód balíčku tmap na interaktivní (tj. na "view")tmap_mode("view")
ℹ tmap modes "plot" - "view"
ℹ toggle with `tmap::ttm()`
# a nakresleme bod# funkce balíčku tmap staví na podobné logice jako funkce balíčku ggplot2# takže pro vrstvení používáme operátor +tm_shape(bod) +# nejprve definujeme novou vrstvutm_symbols() # pak způsob kreslení
# demonstrujme konverzi třídy sf na třídu tibblebod <- bod |>as_tibble()# ztratila se hlavička, ale geometrický sloupec je stále přítomenbod
# proto můžeme aplikovat funkci st_sf() při konverzi zpět na třídu sfbod <- bod |>st_sf()# teď na tom dokonce budeme ještě lépe, protože tabulka je třídy tibblebod
Simple feature collection with 1 feature and 1 field
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 15 ymin: 50 xmax: 15 ymax: 50
Geodetic CRS: WGS 84
# A tibble: 1 × 2
geometry nm
<POINT [°]> <chr>
1 (15 50) Kouřim
# třídy sf se ale můžeme zbavit i jinak, prostřednictvím funkce st_drop_geometry()# objekt nepřepisujeme, jen demonstrujemebod |>st_drop_geometry()
# A tibble: 1 × 1
nm
* <chr>
1 Kouřim
Lze samozřejmě konstruovat složitější geometrické útvary, kde namísto vektorů využíváme matic. Existují i jiné balíčky, usnadňující konstrukci (viz např. sfheaders nebo mapedit, který akceptuje i trvorbu i editaci interaktivním způsobem). Často ale budeme mít k dispozici data se souřadnicemi bodů nebo dokonce již hotová vektorová geodata, která bude postačovat jen načíst. Ukažme si tedy tvrobu bodové vektorové vrstvy ze souřadnic a následně některé možnosti načítání hotových vektorových godat.
# mějme např naši metadatovou tabulku se stanicemi povrchových vod měřícími množství# tabulku již načíst z JSON souboru umímeurl <-"https://opendata.chmi.cz/hydrology/historical/metadata/meta1.json"meta <- jsonlite::fromJSON(url)meta <- meta$data$data$values |>as.data.frame() |>as_tibble() |>set_names(meta$data$data$header |>str_split(",") |>unlist()) |> janitor::clean_names()# souřadnice jsou teď uvedeny jako textové řetězce# budeme potřebovat aplikovat funkci st_as_sf(), která ale chce souřadnice jako číslameta <- meta |>mutate(across(starts_with("geogr"), as.numeric)) |>st_as_sf(coords =c("geogr2", "geogr1"), # tady pozor na záměnu pořadí souřadniccrs =4326)# protože se chceme zaměřit na geometrický sloupec, raději vybereme jen některé, abychom geometrii viděli# geometrický sloupec zůstává, i když jsme ho funkcí select() nevybrali# jedná se o tzv. 'sticky geometry', které se zbavujeme jinak (a my už víme, co pomůže)meta |>select(dbc:stream_name)
# stáhněme si k tomu např. polygony krajů Českakraje <-kraje() # funkce pochází z balíčku RCzechia
RCzechia: downloading remote dataset.
kraje
Simple feature collection with 14 features and 3 fields
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: 12.09057 ymin: 48.55181 xmax: 18.85926 ymax: 51.0557
Geodetic CRS: WGS 84
# A tibble: 14 × 4
# Groups: KOD_KRAJ, KOD_CZNUTS3 [14]
KOD_KRAJ KOD_CZNUTS3 NAZ_CZNUTS3 geometry
<chr> <chr> <chr> <POLYGON [°]>
1 3018 CZ010 Hlavní město Praha ((14.49219 50.17235, 14.47952 50.1…
2 3026 CZ020 Středočeský kraj ((15.14068 50.52093, 15.14296 50.5…
3 3034 CZ031 Jihočeský kraj ((14.84258 49.58029, 14.84104 49.5…
4 3042 CZ032 Plzeňský kraj ((12.56222 49.6091, 12.56244 49.60…
5 3051 CZ041 Karlovarský kraj ((12.95711 49.97298, 12.95698 49.9…
6 3069 CZ042 Ústecký kraj ((13.71237 50.7199, 13.71227 50.71…
7 3077 CZ051 Liberecký kraj ((15.0068 50.90721, 15.00565 50.90…
8 3085 CZ052 Královéhradecký kraj ((16.00303 50.65935, 16.00195 50.6…
9 3093 CZ053 Pardubický kraj ((16.54661 50.14725, 16.5463 50.14…
10 3107 CZ063 Kraj Vysočina ((16.21716 49.35523, 16.21751 49.3…
11 3115 CZ064 Jihomoravský kraj ((17.1357 49.21512, 17.13819 49.21…
12 3123 CZ071 Olomoucký kraj ((17.04949 49.36472, 17.04903 49.3…
13 3131 CZ072 Zlínský kraj ((17.77804 49.4432, 17.7785 49.442…
14 3140 CZ080 Moravskoslezský kraj ((17.56338 50.27035, 17.56238 50.2…
# takto můžeme kreslit dvě vrstvytm_shape(kraje) +tm_borders() +tm_shape(meta) +# další vrstvu vždy definujeme novým tm_shape()tm_symbols()
V balíčku sf také existuje funkce, která vektorová geodata načítá ze souboru. Jmenuje se read_sf() a dokáže načítat z formátů takových, které umožnuje knihovna GDAL. Jelikož tato knihovna umí načítat soubory i bez rozbalení souboru z archivu, nebo rovnou z internetového odkazu, může se povést, že soubory ani nepotřebujeme stahovat, ani robalovat před načtením. Velmi často jsou vektorová geodata také publikována prostřednictvím webových služeb, zde při načítání pomáhají balíčky arcgislayers nebo ows4R. Bohužel není čas toto studovat tak detailně.
Mezi vektorovými vrstvami lze studovat vztahy a na základě těchto vztahů provádět výběry. Nejdůležitější funkcí zde je asi st_intersects(), která je standardně nastavena v dalšíh funkcích, které staví na výběrech, jako je funkce st_join() určená k propojování atributů na bázi prostorových vztahů.
# ukažme si, jak funkci st_intersects() ani nemusíme znát a i tak pomocí ní vybrat body uvnitř nějakého polygonu# řekněme, že budeme chtít vybrat body jen na území Prahy# nejprve se na prahu ale budeme muset zaměřitpraha <- kraje |>filter(NAZ_CZNUTS3 =="Hlavní město Praha")# musíme zajistit stejné crs, můžeme transformovat a dědit z jiné vrstvystanice <- meta |>st_transform(st_crs(praha)) # toto je zde ukázáno jen přo případy, kdybychom to potřebovali; zde máme v původních datech již podmínku stejných crs splněnustanice_praha <- stanice[praha,]tm_shape(stanice_praha) +tm_symbols()
# když nastavíme namísto standardně vybrané funkce st_intersects() např. funkci st_disjoint(), dosáhneme pravého opaku při výběrustanice_nepraha <- stanice[praha, op = st_disjoint]tm_shape(stanice_nepraha) +tm_symbols()
# podobné výsledky můžeme získat i pomocí funkcí str_crop() a st_intersection()stanice_praha2 <- stanice |>st_crop(praha) |># touto funkcí se dostáváme na box daný souřadnicemi v hlavičce ohraničujícího polygonust_intersection(praha) # tato funkce ořezává pak přesněji podle tvaru polygonu
Warning: attribute variables are assumed to be spatially constant throughout
all geometries
Warning: attribute variables are assumed to be spatially constant throughout
all geometries
tm_shape(stanice_praha2) +tm_symbols()
# výsledek v tomto případě může vypadat stejně, ale zkuste si výsledky porovnat třeba při výběru a ořezávání liniových objektů# funkce st_join() funguje podobně jako připojování tabulek podle klíčových sloupců, jenom namísto klíčů pracuje na bázi prostorových vztahů# takto např. můžeme zjistit, kolik vodoměrných stanic máme v jednotlivých krajíchstanice |>st_join(kraje |>select(NAZ_CZNUTS3)) |>st_drop_geometry() |>count(NAZ_CZNUTS3)
# A tibble: 15 × 2
NAZ_CZNUTS3 n
<chr> <int>
1 Hlavní město Praha 20
2 Jihomoravský kraj 75
3 Jihočeský kraj 62
4 Karlovarský kraj 32
5 Kraj Vysočina 55
6 Královéhradecký kraj 61
7 Liberecký kraj 44
8 Moravskoslezský kraj 117
9 Olomoucký kraj 60
10 Pardubický kraj 45
11 Plzeňský kraj 49
12 Středočeský kraj 103
13 Zlínský kraj 57
14 Ústecký kraj 40
15 <NA> 11
# jak vidíme, existuje i skupina stanic, kterým nebylo možné přiřadit ani jeden kraj
Rastrová geodata
Rastrová geodata jsou většinou moc velká, a proto u nich existují strategie načítání jenom toho, co pro práci v R zrovna potřebujeme. Proto také od začátku kurzu není doporučováno ukládát do a načítat ze souborů typu .RData. Když načteme rastrová geodata, v naprosté většině se Globálním prostředí ukáže, že daný objekt reprezentuje pouze formální třídu. Při tisku do konzole vidíme často jen určitou hlavičku s maximy a minimy hodnot v jednotlivých vrstvách. Více hodnot se z rastrových souborů načítá až tehdy, potřebujeme-li nad nimi provádět výpočty, nebo třeba jen kreslit. Zásadní při zpracování rastrových geodat v R je balíček terra(Hijmans 2025). Pro načítání dat ze souborů používáme funkci rast(). Ukažme si, jak načíst rastrová data ze souborů na internetu, využijme k tomu např. scénářová rastrová geodata vytvořená českými klimatology.
# vybereme pouze teplotu vzduchu a pouze scénář SSP2-4.5# víme, že na odkaze https://www.perun-klima.cz/scenare/data/SSP245_T_year_asc.zip najdeme ZIP soubor se čtyřmi rastrovými soubory (v ASC formátu)# názvy souborů můžeme zjistit po stažení a nahlédnutí do ZIP souboru# využijeme tzv. řetízky a načteme si soubory programatickyr1 <-rast("/vsizip/vsicurl/https://www.perun-klima.cz/scenare/data/SSP245_T_year_asc.zip/SSP245_T_2021-2040_year.asc")r2 <-rast("/vsizip/vsicurl/https://www.perun-klima.cz/scenare/data/SSP245_T_year_asc.zip/SSP245_T_2041-2060_year.asc")r3 <-rast("/vsizip/vsicurl/https://www.perun-klima.cz/scenare/data/SSP245_T_year_asc.zip/SSP245_T_2061-2080_year.asc")r4 <-rast("/vsizip/vsicurl/https://www.perun-klima.cz/scenare/data/SSP245_T_year_asc.zip/SSP245_T_2081-2100_year.asc")# funkcí c() můžeme vrstvy spojit, jako bychom tvořili vektor nebo seznamr <-c(r1, r2, r3, r4)# podíváme se jak vypadá hlavička objektu při tisku do konzoler
# chybí zde informace o crs, ale my víme, že je to crs s EPSG kódem 32633# terra potřebuje pro definici crs znát i autoritu# zde tedy namísto funkce st_crs() existuje funkce crs()crs(r) <-"EPSG:32633"# akceptovaná jsou i malá písmenar
# v balíčku tmap existují i výborné funkce pro kreslení rastrových geodat# nyní však raději přepneme na kreslení statických maptmap_mode("plot")
ℹ tmap modes "plot" - "view"
# při výběru vrstvy pro kreslení můžeme použít dvojité hranaté závorkytm_shape(r[[1]]) +# vybereme průměry za období 2021-2040tm_raster(col.scale =tm_scale_continuous(values ="brewer.reds"), # vybíráme lepší barevnou paletucol.legend =tm_legend(reverse = T)) # obracíme pořadí barev v legendě
[plot mode] fit legend/component: Some legend items or map compoments do not
fit well, and are therefore rescaled.
ℹ Set the tmap option `component.autoscale = FALSE` to disable rescaling.
Funkce rast() toho umí mnohem více a vyplatí se prostudovat její dokumentaci. K ukládání rastrových geodat do souboru naopak slouží funkce writeRaster() nebo writeCDF(), to podle toho, jestli chceme, aby výsledkem byl NetCDF soubor (s příponou .nc; mj. velmi oblíbený v klimatologii)3, či jiný formát, jako je např. GeoTIFF (s příponou .tif). Vypočítejme např. průměrnou teplotu vzduchu pro celé období 2021–2100 a uložme výsledek do GeoTIFF souboru.
# správně bychom měli počítat vážené průměry a vahami by měly počty dnů v jednotlivých obdobích# váhy již získat umíme, zaměstnejme např. intervalyvahy <-c(ymd(20210101) %--%ymd(20410101),ymd(20410101) %--%ymd(20610101),ymd(20610101) %--%ymd(20810101),ymd(20810101) %--%ymd(21010101)) /days(1)vahy
[1] 7305 7305 7305 7304
# nyní můžeme váhy využít pro výpočet váženého průměru rastrových vrstev (počítá se napříč všemi vrstvami, tj. pro každou buňku dostaneme časový průměr)# k tomuto dobře poslouží funkce terra::weighted.mean()tavg <-weighted.mean(r, w = vahy) |>round(1) # zaokrouhlujeme, protože nemá smysl uvádět teplotu na více jak jedno desetinné místo# prohlédněme hlavičku# je zde skutečně už jenom jedna vrstvatavg
class : SpatRaster
size : 628, 1068, 1 (nrow, ncol, nlyr)
resolution : 500, 500 (x, y)
extent : 263229.1, 797229.1, 5359788, 5673788 (xmin, xmax, ymin, ymax)
coord. ref. : WGS 84 / UTM zone 33N (EPSG:32633)
source(s) : memory
name : sum
min value : 1.5
max value : 12.4
# jména vrstev můžeme opravit funkcí terra::names()names(tavg) <-"tavg"# podobně existuje funkce terra::time() pro nastavování času u vrstev# zapišme do GeoTIFF souboruwriteRaster(tavg,"outputs/tavg.tif", # máme založenou složku outputsoverwrite = T) # jinak bychom při opakovaném uložení stejného souboru naráželi na existující soubor
Interakce mezi rastrovými a vektorovými geodaty
Rastry často vystupují v interakcích s vektorovými geodaty, např. se zajímáme jen o nějaké území dané polygonem. Podobně jako u vektorů zde máme funkci crop(). Namísto st_intersection() používáme funkci mask(), nebo rovnou zaměstnáme argument mask ve funkci crop(), pokud je vektorová vrstva, se kterou v obou funkcích pracujeme, totožná.
# řekněme, že se zajímáme jen o budoucí teplotu vzduchu na území Prahytavg_praha <-crop(tavg, praha |>st_transform(crs(tavg)), # musíme si dávat pozor na odlišné crs; současné verze terra by však již měly transformovat vektor na crs rastru automaticky s varovánímmask = T)tm_shape(tavg_praha) +tm_raster(col.scale =tm_scale_continuous(values ="brewer.reds"),col.legend =tm_legend(reverse = T))
Velmi častou interakcí mezi rastrem a vektorem je extrahování hodnot buněk rastru podle vektorové vrstvy. U bodů to není nutné, ale u čar a polygonů je vyžadována ještě funkce, kterou chceme hodnoty buněk agregovat. Velmi často je takovou funkcí mean(). Ukažme, jak můžeme extrahovat hodnoty rastru budoucí teploty vzduchu do polygonů jednotlivých krajů Česka.
# vrstvu krajů budeme potřebovat v crs rastrukraje_t <- kraje |>st_transform(crs(tavg)) |>select(NAZ_CZNUTS3) # ještě raději vybereme podstatný sloupec, aby ostatní nerušily prohlížení výsledných datkraje_t <-extract(tavg, kraje_t,fun = mean,bind = T) |># tento argument zaručí připojení nového sloupce k vektorové vrstvě, což je častý případ, který chcemest_as_sf() |># výsledkem je třída SpatVector, kterou chceme konvertovat na sfas_tibble() |># tady už jen chceme z obyčené data frame dostat tibblest_sf() |># převádíme zpátky na sfmutate(tavg =round(tavg, 1)) # a zaokrouhlujeme přidané hodnoty s teplotou# prohlédnemekraje_t
Simple feature collection with 14 features and 2 fields
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: 292599.6 ymin: 5377849 xmax: 779122.6 ymax: 5656242
Projected CRS: WGS 84 / UTM zone 33N
# A tibble: 14 × 3
NAZ_CZNUTS3 tavg geometry
* <chr> <dbl> <POLYGON [m]>
1 Hlavní město Praha 11.3 ((463736.9 5557917, 462832.4 5557917, 462866.1 55…
2 Středočeský kraj 10.3 ((509972.8 5596562, 510134.3 5596443, 510191.4 55…
3 Jihočeský kraj 9.2 ((488620.3 5491979, 488509 5492183, 488394.5 5492…
4 Plzeňský kraj 9.3 ((323887.7 5498025, 323897.2 5497841, 323956.4 54…
5 Karlovarský kraj 8.5 ((353515.6 5537626, 353506.3 5537641, 353546 5537…
6 Ústecký kraj 9.8 ((409105.8 5619468, 409098.4 5619421, 409057.5 56…
7 Liberecký kraj 9 ((500478.1 5639506, 500397.1 5639380, 500211.6 56…
8 Královéhradecký kraj 9.5 ((570895.7 5612425, 570817.7 5612555, 570696.1 56…
9 Pardubický kraj 9.7 ((610500.1 5556148, 610477.4 5556166, 610452.5 55…
10 Kraj Vysočina 9.3 ((588390.4 5467659, 588414.7 5467706, 588721.6 54…
11 Jihomoravský kraj 10.9 ((655531.4 5453565, 655707.6 5453753, 655753 5453…
12 Olomoucký kraj 9.7 ((648802.3 5470021, 648771.5 5469937, 648768.3 54…
13 Zlínský kraj 10 ((701371.6 5480437, 701406.5 5480395, 701453.8 54…
14 Moravskoslezský kraj 9.6 ((682666.6 5571834, 682595.4 5571833, 682565.3 55…
